Statistiques et Big Data time-series

3

Comment interprétez-vous les résultats des tests de racine unitaire?

Je dois faire des tests de racine unitaire pour un projet, je ne sais pas comment interpréter les données (c'est ce qu'on m'a demandé de faire). Voici un de mes résultats: dfuller Demand Dickey-Fuller test for unit root Number of obs = 50 ---------- Interpolated Dickey-Fuller --------- Test 1% Critical …

8 time-series hypothesis-testing stata interpretation unit-root

2

Simuler des trajectoires d'échantillons de prévision à partir du modèle tbats

En utilisant l'excellent package de prévisions de Rob Hyndman, je suis tombé sur la nécessité non seulement d'avoir des intervalles de prédiction, mais de simuler un certain nombre de trajectoires futures, compte tenu des observations passées d'une série chronologique avec des saisonnalités complexes. Il y a quelque chose pour les …

8 r time-series forecasting simulation tbats

1

La racine carrée d'une matrice semi-définie positive est-elle un résultat unique?

J'essaie de décomposer une série chronologique de observations en structure de variance-covariance et une série aléatoire .nnnvcvc\bf{\mathrm{v_c}}n×nn×nn \times n∑∑\sumvv\bf{\mathrm{v}} Donc, je peux dériver la matrice de variance-covariance de la fonction d'autocorrélation de . Ce sera une matrice de Toeplitz, qui est semi-définie positive. Par conséquent, je suis capable de calculer …

8 time-series covariance-matrix

2

Test post-hoc après mesures répétées à 2 facteurs ANOVA dans R?

J'ai des problèmes à trouver une solution concernant la façon d'exécuter un test post-hoc (Tukey HSD) après une ANOVA à mesures répétées à 2 facteurs (tous deux intra-sujets) en R. Pour l'ANOVA, j'ai utilisé la fonction aov: summary(aov(dv ~ x1 * x2 + Error(subject/(x1*x2)), data=df1)) Après avoir lu les réponses …

8 r anova repeated-measures post-hoc tukey-hsd goodness-of-fit curve-fitting sem latent-variable mplus anova post-hoc tukey-hsd markov-process image-processing r time-series causality granger-causality anova mixed-model lme4-nlme random-effects-model r matlab data-transformation multinomial notation estimation nonparametric logistic r missing-data multiple-imputation mice

2

Deux périodes saisonnières dans ARIMA avec R

J'utilise actuellement R pour prédire une série chronologique avec ces instructions: X <- ts(datas, frequency=24) X.arima <- Arima(X, order=c(2,1,0), seasonal=c(1,1,1)) pred <- predict(X.arima, n.ahead=24) plot.ts(pred$pred) Comme vous pouvez le voir, j'ai des données toutes les heures, et j'ai choisi la période saisonnière de 24 (un jour). Je voudrais améliorer mes …

8 r time-series arima seasonality multiple-seasonalities

5

Lissage des données 2D

Les données sont constituées de spectres optiques (intensité lumineuse en fonction de la fréquence) enregistrés à différents moments. Les points ont été acquis sur une grille régulière en x (temps), y (fréquence). Afin d'analyser l'évolution du temps à des fréquences spécifiques (une montée rapide, suivie d'une décroissance exponentielle), je voudrais …

8 r time-series multivariate-analysis references smoothing

2

Exemple de prédiction de séries chronologiques utilisant des réseaux de neurones dans R

Quelqu'un a-t-il un bref exemple pédagogique sur la façon d'utiliser les réseaux de neurones ( nnetdans R par exemple) à des fins de prédiction? Voici un exemple, en R, d'une série chronologique T <- seq(0,20,length=200) Y <- 1 + 3*cos(4*T+2) +.2*T^2 + rnorm(200) plot(T,Y,type="l") Ce n'est qu'un exemple, mais ce …

8 r time-series machine-learning neural-networks nnet

2

Comment puis-je transformer des données de séries chronologiques afin de pouvoir utiliser des techniques plus simples pour la prévision des pannes?

Je sais que c'est principalement un site de statistiques, donc si je suis hors sujet, veuillez me rediriger. J'ai un système avec des pompes qui se cassent parfois et doivent être remplacées. Je voudrais pouvoir prédire les pannes et ainsi prévenir rapidement les personnes qui remplacent les pompes. J'ai des …

8 time-series machine-learning data-transformation

1

Prévision de séries chronologiques non stationnaires

Je voudrais prévoir les séries chronologiques non stationnaires, impliquant plusieurs hypothèses a priori cruciales découlant de l'étude des instances de telles séries. J'ai construit une fonction de distribution de probabilité en un point moyennée dans le temps approximée par une distribution normale. p^(x)=12πσ2∞−−−−−√exp(−x22σ2∞)p^(x)=12πσ∞2exp⁡(−x22σ∞2)\hat p(x) = \frac{1}{\sqrt{2\pi \sigma^2_{\infty}}} \exp\left(-\frac{x^2}{2\sigma^2_{\infty}}\right) De ce …

8 time-series forecasting arima

1

Une façon plus simple de calculer la moyenne mobile à pondération exponentielle?

Méthode proposée: Étant donné une série temporelle , je veux calculer une moyenne mobile pondérée avec une fenêtre de moyenne de points, où les pondérations favorisent les valeurs plus récentes par rapport aux valeurs plus anciennes.Xjexix_iNNN En choisissant les poids, j'utilise le fait familier qu'une série géométrique converge vers 1, …

8 time-series forecasting algorithms weighted-mean

3

Test post hoc dans une conception mixte 2x3 ANOVA utilisant SPSS?

J'ai deux groupes de 10 participants qui ont été évalués trois fois au cours d'une expérience. Pour tester les différences entre les groupes et entre les trois évaluations, j'ai exécuté une ANOVA de conception mixte 2x3 avec group(contrôle, expérimental), time(premier, deuxième, trois) et group x time. Les deux timeet grouprésulté …

8 anova mixed-model spss post-hoc bonferroni time-series unevenly-spaced-time-series classification normal-distribution discriminant-analysis probability normal-distribution estimation sampling classification svm terminology pivot-table random-generation self-study estimation sampling estimation categorical-data maximum-likelihood excel least-squares instrumental-variables 2sls total-least-squares correlation self-study variance unbiased-estimator bayesian mixed-model ancova statistical-significance references p-value fishers-exact probability monte-carlo particle-filter logistic predictive-models modeling interaction survey hypothesis-testing multiple-regression regression variance data-transformation residuals minitab r time-series forecasting arima garch correlation estimation least-squares bias pca predictive-models genetics sem partial-least-squares nonparametric ordinal-data wilcoxon-mann-whitney bonferroni wilcoxon-signed-rank traminer regression econometrics standard-error robust misspecification r probability logistic generalized-linear-model r-squared effect-size gee ordered-logit bayesian classification svm kernel-trick nonlinear bayesian pca dimensionality-reduction eigenvalues probability distributions mathematical-statistics estimation nonparametric kernel-smoothing expected-value filter mse time-series correlation data-visualization clustering estimation predictive-models recommender-system sparse hypothesis-testing data-transformation parametric probability summations correlation pearson-r spearman-rho bayesian replicability dimensionality-reduction discriminant-analysis outliers weka

1

Par où commencer: séries chronologiques inégalement espacées, avec beaucoup de valeurs aberrantes ou aléatoires

Je ne sais pas vraiment ce qui est possible et je voudrais un pointeur dans la bonne direction. J'ai des mesures de temps et de position qui pourraient être n'importe quoi d'une personne marchant, un véhicule sur une route, ou dans un parking, ou une imprimante dans un bureau. Je …

8 time-series kalman-filter unevenly-spaced-time-series

1

Intervalles de confiance lors de l'utilisation du théorème de Bayes

Je calcule des probabilités conditionnelles et des intervalles de confiance à 95% associés. Pour bon nombre de mes cas, j'ai un décompte simple des xsuccès des nessais (à partir d'un tableau de contingence), donc je peux utiliser un intervalle de confiance binomial, tel que celui fourni par binom.confint(x, n, method='exact')dans …

8 r bayesian confidence-interval conditional-probability hidden-markov-model segmentation hypothesis-testing statistical-significance multiple-comparisons multiple-regression r regression survey sample finite-population pca model-selection dataset partitioning clustering time-series least-squares regression standard-error causality r time-series outliers missing-data machine-learning svm hypothesis-testing discrete-data r data-visualization survey likert finance regression pca feature-selection stepwise-regression underdetermined svm natural-language

3

OLS:

Supposons que sont des séries chronologiques avec , ( et est similaire à celle de , mais change lorsque le mannequin = 1). et , . Dans un contexte réel, il s'agira de rendements boursiers périodiques sur entreprises (mais vous pouvez ignorer cela). Il existe un mannequin, qui est égal …

8 time-series least-squares residuals bias

2

Erreurs non corrélées du modèle des moindres carrés généralisés (GLS)

En tant qu'institution financière, nous nous heurtons souvent à l'analyse de données chronologiques. Souvent, nous finissons par faire une régression en utilisant des variables de séries chronologiques. Dans ce cas, nous rencontrons souvent des résidus avec une structure de séries chronologiques qui viole l'hypothèse de base d'erreurs indépendantes dans la …

8 r regression time-series generalized-least-squares

Questions marquées «time-series»